RL训练总崩溃？R1-Reward稳定解锁奖励模型Long-Cot推理能力

多模态奖励模型对提升多模态大语言模型表现至关重要，但强化学习在奖励建模应用有挑战。快手等团队提出R1 - Reward，解决训练不稳定等问题，在基准上超SOTA模型，还在快手业务场景成功应用。

DPO与GRPO谁更胜一筹？港中文、北大等联合发布首个系统性对比研究

港中文、北大等团队首次全面对比DPO和GRPO算法在自回归图像生成中的应用，评估其在域内、域外性能，探究奖励模型及扩展策略的影响，为开发高效RL算法提供新思路。

DeepSeek V4爆春节登场！四大杀招突袭全球编程王座，Claude危

据爆料，DeepSeek计划在2月中旬春节前后发布V4模型，剑指编程王座。其在编程能力、超长上下文代码处理、算法提升、推理能力上有突破，或延续高性价比路线，在受限硬件下靠算法取胜。

奥特曼想要一个「AI接班人」！劈柴：这一天会来的

近日，奥特曼自曝「AI接班人」计划，认为AI近年能胜任OpenAI部门管理，最终覆盖企业流程。OpenAI企业客户破百万，其构想或为盈利拼图。但目前AI难取代CEO，奥特曼若被取代就去当农民。

图灵奖得主Sutton再突破：强化学习在控制问题上媲美深度强化学习？

图灵奖得主Richard S. Sutton认为未来AI发展需靠强化学习。他将2024年的SwiftTD算法拓展到控制领域，提出Swift - Sarsa算法，还设计操作性条件反射基准测试。实验显示，结合预处理方法，其性能或媲美深度强化学习。

RL在Agentic Reasoning中的作用：拨开迷雾，看清本质

近年大语言模型在推理任务能力惊人，但使用外部工具存挑战。传统SFT无法让模型自主调用工具，强化学习虽被引入，但在智能体推理中面临训练效率、稳定性和泛化能力难题。论文从多维度解构智能体强化学习，提出有效方法。

DeepSeek的GRPO会导致模型崩溃？看下Qwen3新范式GSPO

文章围绕大语言模型后训练阶段的强化学习算法展开。介绍了OpenAI的RLHF、DeepSeek的GRPO，重点指出Qwen团队发现GRPO有稳定性问题，会致模型崩溃，进而提出新算法GSPO，实验显示其效率和可扩展性更佳。

一个新网站上线不久便从谷歌获得了15859次曝光和5689次点击，实际UV约7K。而良辰美的网站，通过AI辅助写作，更是达到了21.5万次曝光和2.85万次点击。谷歌的排名机制对新站公平，关键在于如何抓住机会。

一个新网站上线不久，便从谷歌获得了15859次曝光和5689次点击，实际UV在7K左右。而社群里朋友良辰美的网站，昨日从谷歌拿到了21.5万次曝光和2.85万次点击。两者都是基于同一个关键词，同一个需求，但数据相差甚远，这背后的原因究竟是什么？

【7.2K Star】Google 基于LangGraph打造全栈Deep Research

谷歌开源Deep Research全栈应用，前端用React（with Vite）和Shadcn UI，后端研究代理用LangGraph，需Redis和Postgres数据库，LLM用Google Gemini，网络搜索用Google Search API，还介绍了Agent执行流程。